ARTÍCULO ORIGINAL

 

Predicción de la clasificación final en la liga española de fútbol

 

Prediction of the final classification in the Spanish soccer league

 

 

Hugo Herrera Lunario*, Ramiro Paucara Ochoa**
*hugolunario@gmail.com Instituto de Investigaciones en Ciencia y Tecnología, Universidad La Salle-Bolivia
**ramiropaucara@gmail.com Instituto de Investigaciones en Ciencia y Tecnología, Universidad La Salle-Bolivia
Artículo recibido: 09-09-2020 Artículo Aceptado: 09-11-2020

 

 

---

Resumen

En este trabajo se propone el uso de herramientas de machine learning, en particular del algoritmo de regresión logística para intentar predecir la clasificación final del siguiente campeonato de la Liga española de fútbol. El método es experimental de tipo exploratorio, los datos que se utilizaron se armaron en base a datos disponibles en el sitio web de Kaggle, se hizo uso de 3 conjuntos de datos en los cuales se tiene información de los jugadores, el historial de partidos desde 1996 hasta 2020 y el conjunto de equipos que participaran en el siguiente campeonato con su ranking actual de la FIFA. Las principales variables para predecir los resultados fueron el ranking FIFA de cada equipo, el talento de sus jugadores y el historial de enfrentamientos. Los experimentos realizados sobre el conjunto de datos muestran cuantitativamente que el modelo desarrollado es apropiado para predecir una clasificación de los equipos de la Liga española en el siguiente año.

Palabras claves Machine learning, regresión logística, Kaggle, ranking.

---

Abstract

In this work, the use of machine learning tools is proposed, in particular the logistic regression algorithm to try to predictthe final classification of the next championship of the Spanish Soccer League. The method is experimental of an exploratory type, the data used was assembled based on data available on the Kaggle website, 3 data sets were used in which there is information on the players, the history of matches since 1996 to 2020 and the set of teams that will particípate in the next championship with their current FIFA rankings. The main variables to predictthe results were the FIFA ranking ofeach team, the talent of its players and the history of confrontations. The experiments carried out on the data set show quantitatively that the model developed is appropriate to predict a classification of the teams of the Spanish league in thefollowingyear.

Key words Machine learning, logistic regression, Kaggle, ranking.

---

 

 

Introducción

La liga de fútbol española comúnmente conocida como La Liga es la primera liga nacional de fútbol de España, siendo una de las ligas deportivas profesionales más populares del mundo.

Actualmente, está formado por 20 equipos distribuidos de forma bastante uniforme por todo el país, pero principalmente de las regiones más desarrolladas: Madrid, Barcelona y País Vasco. Los cuatro mejores equipos están clasificados para la Liga de Campeones, mientras que los tres equipos] peor ubicados (posiciones 18-20) son relegados a la segunda división.

Las opciones de aplicación de los algoritmos de aprendizaje automático en el fútbol son diversas ya que comprenden el sector de la industria de las apuestas deportivas; el análisis del desempeño de los jugadores que conforman el equipo; la formación táctica del equipo y plan de juego; la cantidad de goles anotados por encuentro hasta el posible ganador antes de que comience el encuentro. (ARIAS, 2019).

Se utilizará la metodología de aprendizaje automático comprendido por los pasos de construcción del conjunto de datos, categorización de los datos, posteriormente un preprocesamiento de la información y limpieza de los datos, luego se realizará la extracción de características acompañadas de validación de datos que permitan la construcción del modelo de predicción que finalmente tendrá como salida una categorización en una tabla de clasificación. (ARIAS, 2019).

El resultado de este experimento basado en aprendizaje automático mediante la técnica de la regresión logística tiene como fin apoyar la toma de decisiones de los equipos del fútbol profesional para generar un fútbol más competitivo, por otra parte, puede ser de utilidad para las empresas patrocinadoras para ver la eficiencia partido tras partido de los equipos de fútbol para promover sus productos y apoyar de forma económica a los equipos del fútbol profesional.

Referentes conceptuales.

 

Métodos.

Regresión Logística Binaria. La regresión logística es un método estadístico para analizar un conjunto de datos en el que hay una o más variables independientes que determinan un resultado. El resultado se mide con una variable dicotómica (en la que solo hay dos resultados posibles). Se utiliza para predecir un resultado binario dado un conjunto de variables independientes. Para representar el resultado binario o categórico, se utilizan variables ficticias. También la regresión logística se puede expresar como un caso especial de regresión lineal, es decir, cuando la variable de resultado es categórica, donde se está utilizando el registro de probabilidades como variable dependiente. En palabras simples, predice la probabilidad de ocurrencia de un evento al ajustar los datos a una función. (Hernández, 2019)

Este modelo logístico binario según Ponce (2020) se usa para estimar la probabilidad de una respuesta binaria basada en una o más variables (características) predictoras (o independientes). Permite decir que la presencia de un factor de riesgo aumenta la probabilidad de un resultado dado en un porcentaje específico.

Como todos los análisis de regresión, la regresión logística es un análisis predictivo.

La regresión logística se utiliza para describir datos y para explicar la relación entre una variable binaria dependiente y una o más variables independientes nominales, ordinales, de intervalo o de relación. (Gandhi, 2018).

En la siguiente figura se observa un modelo de regresión logística.

Fig. 1. Representación gráfica de un modelo de regresión logística.

Fuente: (ARIAS, 2019)

Esta función de probabilidad es la ' Función sigmoidal' como se observa en la siguiente figura:

Fig. 2. Función sigmoidal

Fuente: (ARIAS, 2019)

En la siguiente figura se muestra gráficamente la función, se vería de la siguiente forma:

Fig. 3. Función sigmoidal

Fuente: (ARIAS, 2019)

Regresión Logística Multinomial. La regresión logística multinomial es un método de clasificación que generaliza la regresión logística a problemas a problemas multiclase, es decir, con más de dos posibles resultados discretos. Es un modelo que se utiliza para predecir las probabilidades de los diferentes resultados posibles de una variable dependiente distribuida categóricamente, dado un conjunto de variables independientes. La regresión logística multinomial es una solución particular para los problemas de clasificación que utilizan una combinación lineal de las características observadas y algunos parámetros específicos del problema para estimar la probabilidad de cada valor particular de la variable dependiente. (Catalán, 2021).

Al igual que en otras formas de regresión lineal, la regresión logística multinomial utiliza una función predictiva lineal f(k,i ) para predecir la probabilidad de que la observación tenga un resultado , de la siguiente forma:

Fig. 4. Función de predicción regresión logística multinomial

Fuente: (Catalán, 2021)

donde Xi es el vector de variables explicativas que describen la observación , p/c es un vector de ponderaciones correspondientes al resultado k, y la puntuación (Xi, k) es la puntuación asociada con la asignación de la observación a la categoría k. En la teoría de la elección discreta, donde las observaciones representan personas y los resultados representan elecciones, la puntuación se considera la utilidad asociada con la persona que elige el resultado k. El resultado predicho es el que tiene la puntuación más alta.

Para realizar el proceso de predicción de la clasificación final de la liga española de fútbol, es necesario realizar una serie de etapas en donde cada una se complementa directamente con la anterior, de esta forma se describen 6 pasos como se puede observar en la siguiente figura.

Fig. 5. Metodología aplicada predicción de clasificación

Fuente: (ARIAS, 2019)

Conjunto de datos

Se cuenta con información en tres conjuntos de datos:

•     Equipos: Este dataset contiene los datos de los jugadores en cada equipo. (Kishan, 2020).

•     La Liga_Matches_1995-2020: Este dataset contiene el historial de partidos en que se enfrentaron los equipos que participan de la liga, desde 1996 hasta el 2020. (Kishan, 2020).

•     Copa_20_21: Este dataset contiene la composición del total de equipos que participan de la Liga con su ranking FIFA actual. (Tadhg, 2018).

Preprocesamiento y limpieza de datos.

En esta etapa se realiza la selección de datos más importantes para el proceso

de clasificación con el objetivo de conservar solo las características o los atributos más relevantes. (Domínguez, 2019).

Se eliminaron varios campos irrelevantes para esta predicción, como ser: sueldo de jugadores, fecha de vencimiento de contratos, nuero de camiseta, etc. También se relleno datos faltantes con el promedio correspondiente del cada columna.

Identificación de características

Los métodos de selección de características ayudan a reducir las dimensiones sin perder mucho la información total. También ayuda a dar sentido a las características y su importancia. (AED - Asociación Española de Directivos, 2019).

Usamos las características de si un equipo juega en casa o fuera de casa, estas características se transforman en una codificación en una variable discreta para su procesamiento posterior.

Muestreo

En esta etapa se va a clasificar el conjunto de datos en dos de manera que una sea para realizar el entrenamiento y la segunda sea para realizar las pruebas.

Puede haber muchos más datos seleccionados disponibles de los que necesita para trabajar. Más datos pueden resultar en tiempos de ejecución mucho más largos para los algoritmos y mayores requisitos computacionales y de memoria. Se tomó una muestra representativa más pequeña de los datos seleccionados que pueden ser mucho más rápidos para explorar y crear prototipos de soluciones antes de considerar el conjunto de datos completo.

Construcción del modelo de predicción.

En esta etapa, se aplica los clasificadores de aprendizaje automático necesarios para realizar predicción de la clasificación final de la liga española de fútbol.

Salida.

En esta etapa se va a obtener el resultado que genera el modelo predictivo donde se indica el resultado del modelo desarrollado.

 

Resultados y discusión

Para construir el conjunto de datos, fue necesario indagar varias fuentes las cuales debían contar con la información relacionada a los partidos de fútbol de la liga española, por otra parte, la información debía ser confiable en su totalidad, finalmente se optó por seleccionar la fuente de datos de la página kaggle.

Fig. 6. Obtención de información del sitio web Kaggle.com

Fuente: Elaboración Propia

Para el conjunto de datos obtenido de la fase anterior, fue necesario construir la variable overall en el conjunto de datos de los partidos, uno del equipo local, otro para el equipo visitante y un campo adicional de la diferencia entre overall del equipo local y del visitante, en base a la información de los jugadores de cada equipo como se observa en la siguiente ilustración.

Fig. 7. Código del modelo

Fuente: Elaboración Propia

El siguiente análisis, corresponde a la calidad de los jugadores por equipo, como se muestra en la siguiente ilustración, como se puede ver los grandes candidatos de acuerdo a la calidad de sus jugadores son Real Madrid, Barcelona, Sevilla.

Fig. 8. Potencial por equipo

Fuente: Elaboración Propia.

Al ejecutar el algoritmo, se muestra en la ilustración siguiente la precisión del modelo:

Fig. 9. Precisión del modelo

Fuente: Elaboración Propia

Finalmente se asigna una probabilidad de victoria del local o visitante en cada partido según los campos predictores de cada partido, posteriormente se suman los puntos por cada victoria o empate de cada equipo y al final se realiza una sumatoria de los puntos al final de todos los partidos todos contra todos, y el resultado es el siguiente:

Fig. 10. Clasificación Final

Fuente: Elaboración Propia.

Conclusiones:

 

En el transcurso del desarrollo del presente trabajo se identificaron inconvenientes en base a la información del conjunto de datos, la precisión de predicción no subió lo esperado, pues ya que los atributos del conjunto de datos son limitados y no cuentan con características relevantes que en efecto puedan impactar en quien será el ganador de un partido de fútbol, como, por ejemplo, datos de tipo climatológico, factores emocionales, puntuación del arbitro, factores sociales, etc.

En el presente trabajo de investigación, como se pudo observar la precisión del modelo construido es cercano al 65%, es decir, no existe un criterio claro y definido para predecir la clasificación final de un campeonato en función de la probabilidad que se obtuvo como resultado.

 

Referencias:

•    AED - Asociación Española de Directivos. (2019). Machine Learning, Inteligencia Artificial)/ Big Data. Lo que todo directivo debe saber. Madrid: Accenture.        [ Links ]

•    ARIAS, E. (2019). Repositorio Universidad Católica de Colombia. Obtenido de https://repository.ucatolica.edu.co/        [ Links ]

•    Catalán, A. (2021). Predicción y clasificación con Data Science. Revista de Marina.        [ Links ]

•    Domínguez, K. (2019). Inteligencia artificial. Pro Magazine, 42-43.        [ Links ]

•    Gandhi. (2018). towardsdatascience. Obtenido de http://www.towardsdatascience.com        [ Links ]

•    Hernández, A. (2019). TRES MODELOS PREDICTIVOS DEPOTENCIAL ARQUEOLÓGICO. Obtenido de https://es.scribd. com/document/411566036/Modelos-Predictivos-de-Potencial-Arqueologico        [ Links ]

•    Kishan, K. (2020). kaggle. Obtenido de https://www.kaggle.com/ kishan305/la-liga-results-19952020/version/4        [ Links ]

•    Ponce, H. (2020). Buscando la integridad académica de la inteligencia artificial. Integridad académica, 6-8.        [ Links ]

•    Tadhg, F. (2018). kaggle. Obtenido de https://www.kaggle.com/tadhgfitzgerald/fifa-international-soccer-mens-ranking-1993now        [ Links ]